数据中心环境正在发生变化,未来的数据中心系统将是包括超大型集中式云数据中心、区域边缘数据中心以及小型本地边缘数据中心的“混合”IT应用环境。
451 Research最新数据显示,预计到2019年,企业只有不到一半的IT负载将在内部IT环境中运行,一半以上将在外部IT环境中运行。同时,还将呈现以下趋势:
在近期另一项针对数据中心运营商和专业人士的全球研究项目中,451 Research揭示,在混合
IT环境下将面临如下挑战:
可视化——用户需要一个单一的窗口来了解基础设施所有的活动状态信息,包括资产状态、相关风险、应对方法、整体表现、行业动态等。
洞察力——运营和管理流程中如何做出日常决定,如何完成容量计划,如何规划和执行工作流程,以及哪些KPI对于运行数据中心和最终业务是有用的。对于托管数据中心服务供应商,还可能涉及到如何对租户进行收费,并跟踪总容量的使用情况以及剩余容量的情况。
开阔的视野——如何确定最佳托管虚拟环境的位置,以及判断是否应该采用私有数据中心,或是放在云端或采用托管服务。无论是在财务效率、数据隐私、可扩展性方面,还是在风险方面,这都将是一个非常复杂的决定。成本显然是一个很大的因素,而财务计算并不容易——在这里需要的是基于事实的决策,而不是靠猜测、直觉,或跟风去做决定。
与此同时,对于国际化的互联网或托管数据中心业主,他们面临的挑战还包括:
不幸的是,数据中心管理又是一件非常复杂的事情
从本质上来讲,数据中心是非常复杂的系统,因为需要管理电力和制冷基础设施与IT设备的交互,同时最小化总运行成本。对于数据中心持续运行并最小化停机时间的需求持续增加。当出现问题时,我们期望管理系统提供必要的关键信息以解决此问题,并分析根本原因以防止再次发生。
可以发现,这个行业已经演变成两种数据中心管理方法。一种方法是利用“特定领域”系统进行电源、冷却和白区的管理。第二种方法更为“本土”,其中基于SCADA类型的系统被定制化编程以履行管理职责。每种方法都有其优点和缺点,然而,我们相信这两种方法在未来都将面临局限性,并将需要新方法对其加以解决,以充分发挥基于云的工具和大数据分析的潜力。
施耐德电气EcoStruxure IT:基于物联网的、开放的、可互操作的系统架构和平台
EcoStruxure IT是施耐德电气所开发的开放的、可互操作的、基于物联网的系统架构与平台,可为客户提供在安全性、可靠性、效率、可持续性和互联互通方面的更高价值。并通过利用先进的物联网、移动、传感、云、分析和网络安全等技术的发展,实现在互联互通的产品、边缘控制,以及应用、分析与服务三个层面的全面创新。
互联互通的产品是物联网智能运行的基础,施耐德电气的第一信念是以创新为核心,生产伟大的互联互通的产品。EcoStruxure IT在互联互通的产品层,从数据中心和周围建筑的各种连接传感器和众多供应商设备(UPS、PDU、配电和制冷系统等)收集数据。在边缘控制层,无论是楼宇系统,还是在IT系统或配电系统,EcoStruxure IT可使客户实现本地控制和监测,并本地自主地对任何警报进行监测并采取行动。在应用、分析与服务层,EcoStruxure IT通过分析数据,使用人工智能提取信息,为预防性维护、能源效率和其他工作,提供可执行的情报信息。
通过在应用、分析和服务层采取人工智能方法,来推动最高水平的可用性和效率——实现这一目标的途径将从构建基于云的最大的数据资源池开始。由互联互通的设备产生的数据资源池越大,分析就越精确。EcoStruxure IT还支持定制化的解决方案,为监测和控制其设施提供了一种有效、一致的方法。
即使数据中心所有者采用各种设备和软件平台,EcoStruxure IT都能够读取所有健康和状态的数据。然后,数据中心所有者可以与客户共享这些数据。
在澳大利亚,施耐德电气与Pulse Data Centre合作共建的大型托管数据中心项目,是施耐德电气基于EcoStruxure IT架构,在集中式大型数据中心领域的重要实践。在互联互通的产品层面充分运用了高效的气流管理系统以及锂电池储能技术,以及模块化产品。施耐德电气通过为客户提供一套经过优化的,集成式模块化解决方案,有效降低了制冷损耗和能源成本,并确保了设备100%正常运行。此外,Pulse Data Centre还采用了施耐德电气楼宇监控系统、电力监控系统、DCIM软件套件,以及基于云端的远程监控专家服务,实现了高效管理和绿色运营,并成为澳大利亚首个取得Uptime Tier3认证的数据中心。
综上所述,IT大环境趋势给数据中心运营商及国际化互联网公司带来了更多挑战。通过EcoStruxure架构和平台,施耐德电气将可以为客户整体业务提供高可用性、高效的产品和服务,通过预测分析和可操作的智能驱动更多价值,优化业务,最终实现数据中心或IT机房基础设施的可用性和运用效率的持续优化。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。